في عالم اليوم الذي يتطلب استدامة وكفاءة في الإنتاج، تأتي نماذج الذكاء الاصطناعي (AI) لتغير جذري في كيفية محاكاة تدفقات السوائل. تعتبر النمذجة الدقيقة لهذه التدفقات عملية معقدة تتطلب حوسبة مكثفة بسبب معادلاتها التفاضلية الجزئية. لكن، علماء البحوث يطرحون الحل: استخدام نماذج التعلم الآلي (Machine Learning) كبديل يمكن أن يساهم في تسريع عملية التوقع بشكل كبير.

تسلط دراسة جديدة الضوء على العلاقة بين حجم مجموعة البيانات ودقة التوقع عندما نتحدث عن تدفقات السوائل الثابتة في وعاء التحريك الصناعي. تم إنشاء مجموعة بيانات تشتمل على تدفقات ثابتة باستخدام محاكاة ناوير-ستوكس المعدلة (Reynolds Averaged Navier Stokes) ضمن ظروف تشغيلية واقعية مثل سرعات دوّارات السوائل وارتفاعات السوائل.

ركزت الدراسة على تدريب نماذج تمثيل عصبي ضبابية، وقارنت بين نماذج معتمدة تماماً على البيانات وأخرى مقيدة. وقد أظهرت النتائج أن خطأ التوقع ينخفض بشكل متزايد مع زيادة حجم مجموعة البيانات، لكن الفوائد تبدأ بالتلاشي بعد أحجام بيانات معتدلة.

كما أظهرت الدراسة أن القيود المستندة إلى الفيزياء تساهم بشكل كبير في تحسين دقة التوقع وتخفيض التباين عبر عدة محاولات تدريبية، مما يؤدي إلى سلوك أكثر استقرارًا في نقل الجسيمات (tracer transport). وبهذه الطريقة، يمكن تحقيق نتائج معقولة حتى مع اختلاف سرعات الدوّارات وارتفاعات السوائل.

ومع ذلك، فإن هذه الفوائد تأتي مع زيادة في تعقيد عملية التدريب، وتقل فوائدها النسبية مع تزايد حجم مجموعة البيانات. هل أنت مهتم بمستقبل الذكاء الاصطناعي في مجال صناعة السوائل؟ شاركنا آراءك في التعليقات!